ERDAS影像融合

影像融合

ERDAS提供多种融合方法，操作步骤大同小异。

1、Resolution Merge

选择主窗口面板-> Interpreter -> Spatial Enhancement -> Resolution Merge，弹出如下的融合窗口：

选择高分辨影像（High Resolution Input File）为data_fusion_pan.bmp，多光谱影像（Multispectral Input File）为data_fusion_mul.bmp，给出一个输出影像名，在融合方法（Method）中选择一个融合方法，有下面三种：

（1）主成分变换（Principal Component）

（2）乘法变换(Multiplicative)

（3）Brovey变换（Brovey Transform）

选择采用方法，有以下三种：

（1）最邻近像元(Nearest Neighbor)

（2）双线性内插(Bilinear Interpolation)

（3）双三次卷积(Cubic Convolution)

选择数据类型（Data Type）为Unsigned 8 bit，再点击OK即可。

2、Mod. IHS融合

选择主窗口面板-> Interpreter -> Spatial Enhancement ->Mod. IHS Resolution Merge，弹出如下的融合窗口：

分别输入高分辨和高光谱影像，选择采样方法，选择高分辨率影像和高光谱影像的传感器类型，选择输入影像的分辨率比(Ratio Ceiling)，在Layer Selection标签中选择指定的RGB三个波段，在Output标签中选择输出影像名称，点击OK即可完成融合操作。

由于此方法需要知道输入影像的传感器类型，不同传感器类型有不同的融合参数，因此在无法得到传感器类型的情况下，此方法不太好用。

3、HPF（高通滤波）融合

选择主窗口面板-> Interpreter -> Spatial Enhancement ->HPF Resolution Merge，弹出如下的融合窗口：

选择输入的高分辨率和高光谱影像，选择一个输出文件和输出类型（Unsigned 8 bit），其他参数可以默认，也可以修改。点击OK按钮即可完成融合操作。

4、小波融合

选择主窗口面板-> Interpreter -> Spatial Enhancement ->Wavelet Resolution Merge，弹出

如下的融合窗口：

选择输入的高分辨率和高光谱影像，选择一个输出文件，在光谱变换（Spectral Transform）中选择一种变换方法，有三种变换方法：

（1）单波段进行

（2）IHS变换

（3）主分量变换

选择一种采样方法，将输出影像类型选择为Unsigned 8 bit，点击OK即可完成融合。

5、Ehlers融合

选择主窗口面板-> Interpreter -> Spatial Enhancement ->Ehlers Fusion，弹出如下的融合窗口：

选择输入的高分辨率和高光谱影像，选择一个输出文件和文件类型，选择采样方法，点击OK按钮即可完成融合。在Filter Design区域，可以自动选择参数，也可以手动设定参数。

在一个窗口中叠加显示融合前后的影像，通过Utility -> Swipe卷帘操作，可以比较融合

效果。

ERDAS的操作手册

ERDAS的操作手册 纠正，融合，镶嵌是遥感处理中比较常见的三种处理方法。对于初学遥感的人来说，掌握这三种方法是十分必要的。下面，我们通过一些实例，在ERDAS 中的操作，来分别介绍这三种处理方法。 1、纠正 纠正又叫几何校正，就是将图像数据投影到平面上，使其符合地图投影系统的过程；而将地图坐标赋予图像数据的过程，称为地理参考（Geo-referencing）由于所有地图投影系统都遵从于一定的地图坐标系统，所以几何校正包含了地图参考。 （1）启动 在ERDAS中启动几何校正有三种方法： A、菜单方式 B、图标方式 C、窗口栅格操作 窗口启动这种方法比较常用，启动之前在窗口中打开需要纠正的图像，然后在栅格操作菜单中启动几何校正模块。建议使用这种启动方法，更直观简便。

（2）设置几何校正模型 常用模型：功能 Affine 图像仿射变换（不做投影变换） Camera 航空影像正射校正 Landsat Landsat卫星影像正射校正 Polynomial 多项式变换（同时做投影变换） Rubber Sheeting 非线性、非均匀变换 Spot Spot卫星图像正射校正 其中，多项式变换（Polynomial）在卫星图像校正过程中应用较多，在调用多项式模型时，需要确定多项式的次方数（Order），通常整景图象选择3次方。次方数与所需的最少控制点数是相关的，最少控制点数计算公式为（（t+1）*（t+2））/2，公式中t为次方数，即1次方最少需要3个控制点，2次方需要6个控制点，3次方需要10个控制点，依此类推。

（3）几何校正采点模式 A、Viewer to Viewer 已经拥有需要校正图像区域的数字地图、或经过校正的图像，就可以采用Viewer to Viewer的模式。 B、File to Viewer 事先已经通过GPS测量、或摄影测量、或其它途径获得了控制点坐标，并保存为ERDAS IMAGINE的控制点格式或ASCII数据文件，就可以采用File to Viewer模式，直接在数据文件中读取控制点坐标。 C、Map to Viewer 只有印制地图或坐标纸，则只好采用Map to Viewer的模式，在地图上选点并量算坐标，然后通过键盘输入坐标数据。 最常用的是第一种模式，视图对视图的窗口采点模式。

Erdas非监督分类全过程

Erdas基础教程: 非监督分类 来源：师大学旅游与环境学院 1．图像分类简介（Introduction to classification） 图像分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。常规图像分类主要有两种方法：非监督分类与监督分类，专家分类方法是近年来发展起来的新兴遥感图像分类方法，下面介绍这三种分类方法。 非监督分类运用1SODATA（Iterative Self-Organizing Data Analysis Technique ）算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。使用该方法时。原始图像的所有波段都参于分类运算，分类结果往往是各类像元数大体等比例。由于人为干预较少，非监督分类过程的自动化程度较高。非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。 监督分类比非监督分类更多地要求用户来控制，常用于对研究区域比较了解的情况。在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。监督分类一般要经过以下几个步骤：建立模板（训练样本）、评价模板、确定初步分类图、检验分类结果、分类后处理、分类特征统计、栅格矢量转换。 专家分类首先需要建立知识库，根据分类目标提出假设，井依据所拥有的数据资料定义支持假设的规则、条件和变量，然后应用知识库自动进行分类，ERDAS IMAG1NE图像处理系统率先推出专家分类器模块，包括知识工程师和知识分类器两部分，分别应用于不同的情况。 由于基本的非监督分类属于IMAGINE Essentia1s级产品功能、但在1MAGINE Professional级产品中有一定的功能扩展，而监督分类和专家分类只属于IMAGINE ProfeSsiona1级产品，所以，非监督分类命令分别出现在Data Preparation菜单和classification菜单中，而监督分类和专家分类命令仅出现在Classification菜单中。 2 非监督分类（Unsupervised Classification） ERDAS IMAGINE使用ISODATA算法（基于最小光谱距离公式）来进行非监督分类。聚类过程始于任意聚类平均值或一个己有分类模板的平均值：聚类每重复一次，聚类的平均值就更新一次，新聚类的均值再用于下次聚类循环。 ISODATA实用程序不断重复，直到最大的循环次数已达到设定阈值或者两次聚类结果相比有达到要求百分比的像元类别已经不再发生变化。 2．1分类过程（classification ProcedUre ） 第一步：调出非监督分类对话框 调出非监督分类对话框的方法有以下两种： 方法一：在ERDAS图标面板工具条中，点击Dataprep图标 → Data Preparation →unsupervised Classification →Unsupervised Classification对话框如下：

ENVI中的融合方法

ENVI下的图像融合方法 图像融合是将低空间分辨率的多光谱影像或高光谱数据与高空间分辨率的单波段影像重采样生成成一副高分辨率多光谱影像遥感的图像处理技术，使得处理后的影像既有较高的空间分辨率，又具有多光谱特征。图像融合的关键是融合前两幅图像的精确配准以及处理过程中融合方法的选择。只有将两幅融合图像进行精确配准，才可能得到满意的结果。对于融合方法的选择，取决于被融合图像的特征以及融合目的。 ENVI中提供融合方法有： ?HSV变换 ?Brovey变换 这两种方法要求数据具有地理参考或者具有相同的尺寸大小。RGB输入波段必须为无符号8bit数据或者从打开的彩色Display中选择。 这两种操作方法基本类似，下面介绍Brovey变换操作过程。 （1）打开融合的两个文件，将低分辨率多光谱图像显示在Display中。 （2）选择主菜单-> Transform -> Image Sharpening->Color Normalized (Brovey)，在Select Input RGB对话框中，有两种选择方式：从可用波段列表中和从Display窗口中，前者要求波段必须为无符号8bit。 （3）选择Display窗口中选择RGB，单击OK。 （4） Color Normalized (Brovey)输出面板中，选择重采样方式和输入文件路径及文件名，点击OK输出结果。 对于多光谱影像，ENVI利用以下融合技术： ?Gram-Schmidt ?主成分（PC）变换 ?color normalized (CN)变换 ?Pan sharpening 这四种方法中，Gram-Schmidt法能保持融合前后影像波谱信息的一致性，是一种高保真的遥感影像融合方法；color normalized (CN)变换要求数据具有中心波长和FWHM，；Pansharpening融合方法需要在ENVI Zoom中启动，比较适合高分辨率影像，如QuickBird、IKONOS等。 这四种方式操作基本类似，下面介绍参数相对较多的Gram-Schmidt操作过程。 （1）打开融合的两个文件。

遥感图像融合方法比较

1 绪论 1.1研究目的及意义 20世纪90年代中后期以后，搭载许多新型传感器的卫星相继升空，使得同一地区的遥感数据影像数目不断增多。如何有效地利用这些不同时相、不同传感器、不同分辨率的遥感数据便成为了遥感工作者研究的瓶颈问题，然而解决这一问题的关键技术就是遥感影像数据融合。 遥感数据融合就是对多个遥感器的图像数据和其他信息的处理过程，它着重于把那些在空间或时间上冗余或互补的多源数据，按一定法则（算法）进行处理，获得比单一数据更精确、更丰富的信息，生成一幅具有新的空间、波谱和时间特征的合成图像。 遥感是不同空间、时间、波谱、辐射分辨率提供电磁波谱不同谱段的数据。由于成像原理不同和技术条件的限制，任何一个单一遥感器的遥感数据都不能全面的反映目标对象的特征，也就是有一定的应用范围和局限性。各类非遥感数据也有它自身的特点和局限性。影像数据融合技术能够实现数据之间的优势互补，也能实现遥感数据与地理数据的有机结合。数据融合技术是一门新兴的技术，具有十分广阔的应用前景。所以，研究遥感影像数据融合方法是非常必要的。 1.2研究现状及发展的趋势 1.2.1研究现状 20世纪美国学者提出“多传感器信息融合”的概念认为在多源遥感影像数据中能够提取出比单一遥感影像更丰富、更有效、更可靠的信息。之后由于军事方面的要求，使得遥感影像数据融合技术得到了很大的发展，美、英，德等国家已经研制出了实用的遥感数据融合处理的系统和软件，同时进行了商业应用。 1）、融合结构 融合的结构可分为两类：集中式和分布式。集中式融合结构：各传感器的观测数据直接被送到中心，进行融合处理，用于关联、跟踪、识别等。分布式融合结构：每个传感器独立完成关联、识别、跟踪，然后由融合中心完成配准、多源关联的融合。 2）、融合的层次 图像融合可分为：像元级融合、特征级融合和决策级融合。 像元级融合是最低级的信息融合，可以在像素或分辨单位上进行，又叫做数据级融合。它是对空间配准的遥感影像数据直接融合，然后对融合的数据进行特征提取和属性说明。 特征级融合是由各个数据源中提取特征信息进行综合分析和处理的过程，是中间层次的融合。特征级融合分为目标状态信息融合和目标特征融合。 决策级融合是在信息表示的最高层次上进行融合处理。首先将不同传感器观测同一目标获得的数据进行预处理、特征提取、识别，以建立对所观测目标的初步理论，然后通过相关处理、决策级融合判别，最终获得联合推断结果，从而为决策提供依据。

ERDAS遥感图像处理教程 绝对给力

《遥感数字图象处理实验指导书》 实习须知 实验室资源： 1 硬件设备： 局域网系统； 高级PC 计算机（每人一台，在规定时间使用）； 2 软件系统 Windows 2000 或Windows XP ERDAS IMAGINE 8.6 ArcToolbox ArcMap Microsoft Word Microsoft Excel Zip program 3 数据资源 数据源： ERDAS IMAGINE 8.6软件附带的examples； XX地区TM、ETM、Spot遥感数据 区部分矿山企业基础数据XX． 实习目的与内容 1 实习目的 本实习为已具有RS的基本概念和理论基础的学生设计，目的是帮助学生在了解RS基本组成与数据结构模型的基础上，重点学习使用ERDAS IMAGINE8.6软件进行视窗操作、数据数据预处理、图像解译、图像分类和矢量功能；了解地图投影系统的使用；学习多种数据输入的方法，不同数据格式转换，数据库模式的定义等多种前后期处理工作；掌握遥感图像前后处理和解译、分类地理的技术流程和方法，数据库建设以及地理数据的编辑和管理；配合具体实例运用GIS空间分析工具。通过系列实习过程，重点培养学习者掌握RS提取信息的基本过程和技巧，并可初步用来解决运用遥感提取信息的问题。 2 实习内容 实习1：ERDAS IMAGINE 8.6系统简介与入门；包括：软件概述，视窗操作中的菜单工具条的介绍，数据的输入输出。 实习2：数据预处理；包括：图像分幅剪裁，图像几何校正，图像拼接处理，图像投影变换；实习3：图像解译；包括功能简介，辐射增强处理（去霾处理）、常用的光谱增强处理（假彩色合成与指数计算）、空间增强处理（分辨率融合）。

实验六：遥感图像监督分类与非监督分类

成都信息工程学院 遥感图像处理实验报告 实验6：遥感图像监督分类与非监督分类 专业：遥感科学与技术 班级： 092班 姓名：李翔 学号：2009043063 实验名称：遥感图像监督分类与非监督分类 实验教室： 5404教室 指导老师：刘志红 实验日期：2011年4月6日和4月13日

遥感数字图像处理实验报告 一、项目名称 遥感图像监督分类与非监督分类 二、实验目的 学会使用ERDAS IMAGINE软件对遥感图像进行非监督分类、监督分类、分类后处理、决策树分类，加深对图像分类过程和原理的理解，为图像解译打下基础。 三、实验原理 同类地物在相同的条件下应该具有相同或相似的光谱信息和空间信息特征。反之，不同类的地物之间具有这些差异。根据这些差异，将图像中的所有像素按其性质分为若干类别的过程，称为图像的分类。 根据是否需要分类人员事先提供已知类别及其训练样本，对分类器进行训练和监督，可将遥感图像分类方法划分为监督分类和非监督分类。 分类后处理包括聚类统计、过滤分析、去除分析和分类重编码等操作。 聚类统计是通过计算分类专题图像每个分类图斑面积、记录相邻区域中最大图斑面积的分类操作。 四、数据来源 1．下载网站：https://www.wendangku.net/doc/d411679802.html,/admin/dataLandsatMain.jsp 2．波段数为6个。 3．分辨率为28.50,米。 4．投影为UTM, Zone48。 五、实验过程 一、非监督分类 1.在ERDAS IMAGINE依次点击如下图标，打开对话框， 2. 设定好输出数据，设置聚类选项，确定初始聚类方法和分类数。设置预处理选项，确定循环次数和阈值。如图所示：

遥感影像融合处理方法

遥感影像融合处理方法 摘要：本文介绍了遥感影像数据融合技术，并给出了融合的一些基本理论、融合处理一般步骤以及常用融合处理方法，最后简要描述了融合评价的方式方法等。 关键词：遥感影像融合融合评价 1、前言 将高分辨率的全色遥感影像和低分辨率的多光谱遥感影像进行融合，获得色彩信息丰富且分辨率高的遥感融合影像的过程，成为遥感影像融合。全色影像一般具有较高空间分辨率，多光谱影像光谱信息较丰富，为提高多光谱影像的空间分辨率，可以将全色影像融合进多光谱影像。通过影像融合既可以提高多光谱影像空间分辨率，又能保留其多光谱特性。 2、遥感影像融合一般步骤 遥感影像信息融合一般流程主要分为两个阶段：图像预处理，图像融合变换。 图像预处理主要包括：几何校正及影像配准。几何校正主要在于去除透视收缩、阴影等地形因素以及卫星扰动、天气变化、大气散射等随机因素对成像结果一致性的影响；影像配准的目的在于消除由不同传感器得到的影像在拍摄角度、时相及分辨率等方面的差异。 3 常用融合方式 3.1 IHS融合 IHS（亮度I、色度H、饱和度S）变换就是将影像从RGB彩色空间变换到IHS空间来实现影像融合的一种方法。由光学、热红外和雷达(微波)等方式得到的不同波段遥感数据，合成的RGB颜色空间是一个对物体颜色属性描述系统，而IHS色度空间提取出物体的亮度、色度、饱和度，它们分别对应每个波段的平均辐射强度、数据向量和的方向及其等量数据的大小。RGB颜色空间和IHS 色度空间有着精确的转换关系。IHS变换法只能用三个波段的多光谱影像融合和全色影像融合。 3.2 小波融合 小波变换，基于遥感影像的频域分析进行的，由于同一地区不同类型的影像，低频部分差别不大，而高频部分相差很大，通过小波变换对变换区实现分频，在分频基础上进行遥感影像的融合，常用于雷达影像SAR与TM影像的融合。

遥感图像分类

实验四遥感图像分类 一、背景知识 图像分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。常规计算机图像分类主要有两种方法：非监督分类与监督分类，本实验将依次介绍这两种分类方法。 非监督分类运用ISODATA（Iterative Self-Organizing Data Analysis Technique)算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。使用该方法时，原始图像的所有波段都参于分类运算，分类结果往往是各类像元数大体等比例。由于人为干预较少，非监督分类过程的自动化程度较高。非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。 监督分类比非监督分类更多地要用户来控制，常用于对研究区域比较了解的情况。在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。监督分类一般要经过以下几个步骤：建立模板(训练样本)分类特征统计、栅格矢量转换、评价模板、确定初步分类图、检验分类结果、分类后处理。由于基本的非监督分类属于IMAGINE Essentials级产品功能，但在IMAGINE Professional级产品中有一定的功能扩展，非监督分类命令分别出现在Data Preparation菜单和Classification菜单中，而监督分类命令仅出现在Classification菜单中。 二、实验目的 理解并掌握图像分类的原理，学会图像分类的常用方法：人工分类（目视解译）、计算机分类（监督分类、非监督分类）。能够针对不同情况，区别使用监督分类、非监督分类。理解计算机分类的常用算法实现过程。熟练掌握遥感图像分类精度评价方法、评价指标、评价原理，并能对分类结果进行后期处理。 三、实验内容（6课时） 1.非监督分类（Unsupervised Classification)； 2.监督分类（Supervised Classification)； 3.分类精度评价（evaluate classification）； 4.分类后处理（Post-Classification Process）； 四、实验准备 实验数据： 非监督分类文件：germtm.img 监督分类文件：tm_860516.img 监督模板文件：tm_860516.sig 五、实验步骤、方法 1、非监督分类（Unsupervised Classification)

ERDAS基本操作入门

ERDAS基本操作入门 1、图像导入 在erdas的Import/Export模块中，分别导入TM图像的第1、2、3、4、5、7波段，具体操作步骤为 ① 点击import模块，打开对话框 ②选择type类型为TIFF ③ media为file； ④ 然后选择输入、输出文件名路径和文件名 ⑤ 分别对123457波段进行导入； ⑥在此之前可以选择session－>preference，选择输入、输出主目录。 2、图像波段合成 在erdas的interpreter模块中将单波段影像进行合成，生成多波段文件，具体操作步骤为： interpreter－>utilities－>layer stack， ① 在出现的对话框中import框中依次选择需要合成的波段，每选择输入一个波段用Add添加一次； ② output file选择导出文件路径及命名文件。 ③ Data type 设为 Unsigned 8 bit； ④Output option 设置为Union ，选中 ignore zero stats； ⑤进行操作。 3、用shape文件进行图像切割 3.1 Shape文件制作AOI文件： ①在ERDAS中点击Import图标，出现Import/Export对话框 ②选中Imput，Type栏选择Shapefile，Media栏选择File，在Input File （*.shp）中确定要转换的shape文件，在Output File（*.arcinfo）中确定输

出路径及名称，单击OK按钮，出现Import Shapefile对话框，单击Import Shapefile Now。 ③注意此步骤中输出路径及输出名称均为英文字母 ④建立拓扑多边形 ⑤在Arcgis中打开ArcToolbox，Data Management Tools—>Topology—>Build，双击Build，出现Build对话框，在Input 中填入*.arcinfo文件的路径，Feature选择Poly ⑥单击OK按钮。 ⑦在ERDAS中打开一个viewer窗口，打开arc coverage文件，新建一个aoi层（New—>AOI Layer） ⑧ View—>Arrange Layers Viewer打开Arrange Layers Viewer对话框，在Vector图层上单击右键，选择Show Properties，打开Properties对话框，选中Polygon，点击Apply按钮。 ⑨在View窗口中打开AOI工具栏，先选中内部区域，再点击，产生aoi，选中该aoi，单击File—>Save—AOI Layer as，保存为aoi文件。 3.2 用AOI文件进行对遥感图像切割 在ERDAS图标面板工具条中单击Data Prep图标，Subset，打开Subset对话框。在Subset对话框中需要设置下列参数： ⑩输入文件名称（Input File） ? 输出文件名称（Output File） ? 单击AOI按钮确定裁剪范围 ? 打开Choose AOI对话框 ? 在Choose AOI对话框中确定AOI的来源为File（或Viewer） ? 如果选择了文件（File），刚进一步确定AOI文件；否则，直接进入下一步 ? 输出数据类型（Output Data Type）为Unsigned 8 Bit，输出文件类型（Output Layer Type）为Themetic ? 输出象元波段（Select Layers）为1 ：6（表示选择1-6六个波段） ? 输出统计忽略零值，选中Ignore Zero In Output Stats复选框

监督分类

实验十监督分类 实例与练习：某地区的遥感影像监督分类 背景：现有某地区TM影像，需要进行土地利用类型划分，并对分类结果进行评价。本例中使用监督分类的方法，实现土地利用类型的划分。 目的：通过练习，熟练掌握并理解监督分类的方法、评价方法的原理及实现过程，体会在具体应用中的适应性。 监督分类流程图： 监督分类过程 1 定义分类模板 （1）在viewer窗口中选择打开smtm.img，在raster options选择fit to frame

（2）单击classifer|classification|signature editor，打开分类模板编辑器（signature editor）（3）在viewer窗口中打开raster|tools，打开raster工具面板 （4）选择AOI多边形绘制按钮，进入多边形AOI绘制状态，在图像上选择深蓝色区域，绘制一个多边形AOI，在signature editor窗口，单击按钮，将多边形AOI区域加载到signature editor分类模板属性表中 （5）在图像上继续选择深蓝色区域，再绘制一个多边形AOI，在signature editor窗口，单击按钮，将多边形AOI区域加载到signature editor分类模板属性表中 （6）用同样的方法加载9个深蓝色多边形AOI （7）在分类模板属性表中，依次单击这些AOI的class#字段下的分类编号（按住shift键），并单击，将所选中的模板合并成一个新的模板，则生成一个新的模板 （8）单击其signature name属性进入编辑状态，输入water，单击color属性，选择深蓝色 （9）在signature editor菜单条，单击edit|delete，删除合并前的模板 （10）在图像上继续选择多个砖红色区域AOI（farmland），赭色区域AOI（forest），绿色区域AOI（grass），浅蓝色区域AOI（resident） （11）单击signatureedit|file|save命令，打开保存对话框，确定是保存所有模板(all)，并保存分类模板文件的目录 2评价分类模板 （1）分类预警评价 ①选中water类别 ②在signature editor窗口，选择某类或者某几类模板，单击view|image alarm命令，打开 signature alarm对话框 ③选中indicate overlap复选框，设置同时属于两个及以上的像元叠加预警显示，点击色框 设置为黄色 ④点击edit parallelepiped limit|limit|set，设置计算方法（method）：minimum/maximum， 并选择使用的模板：current（当前模板） ⑤设置完成后，单击ok按钮，返回limits对话框，单击close按钮，返回signature alarm 对话框，单击Ok按钮执行分类预警评价，形成预警掩膜，单击close按钮，关闭signature alarm对话框

三种图像融合方法实际操作与分析

摘要：介绍了遥感影像三种常用的图像融合方式。进行实验，对一幅具有高分辨率的SPOT全色黑白图像与一幅具有多光谱信息的SPOT图像进行融合处理，生成一幅既有高分辨率又有多光谱信息的图像，简要分析比较三种图像融合方式的各自特点，择出本次实验的最佳融合方式。 关键字：遥感影像；图像融合；主成分变换；乘积变换；比值变换；ERDAS IMAGINE 1. 引言 由于技术条件的限制和工作原理的不同，任何来自单一传感器的信息都只能反映目标的某一个或几个方面的特征，而不能反应出全部特征。因此，与单源遥感影像数据相比，多源遥感影像数据既具有重要的互补性，也存在冗余性。为了能更准确地识别目标，必须把各具特色的多源遥感数据相互结合起来，利用融合技术，针对性地去除无用信息，消除冗余，大幅度减少数据处理量，提高数据处理效率；同时，必须将海量多源数据中的有用信息集中起来，融合在一起，从多源数据中提取比单源数据更丰富、更可靠、更有用的信息，进行各种信息特征的互补，发挥各自的优势，充分发挥遥感技术的作用。[1] 在多源遥感图像融合中，针对同一对象不同的融合方法可以得到不同的融合结果，即可以得到不同的融合图像。高空间分辨率遥感影像和高光谱遥感影像的融合旨在生成具有高空间分辨率和高光谱分辨率特性的遥感影像，融合方法的选择取决于融合影像的应用，但迄今还没有普适的融合算法能够满足所有的应用目的，这也意味着融合影像质量评价应该与具体应用相联系。[2] 此次融合操作实验是用三种不同的融合方式（主成分变换融合，乘积变换融合，比值变换融合），对一幅具有高分辨率的SPOT全色黑白图像与一幅具有多

光谱信息的SPOT图像进行融合处理，生成一幅既有高分辨率又有多光谱信息的图像。 2. 源文件 1 、 imagerycolor.tif ，SPOT图像，分辨率10米，有红、绿、两个红外共四个波段。 2 、imagery-5m.tif ，SPOT图像，分辨率5米。 3. 软件选择 在常用的四种遥感图像处理软件中，PCI适合用于影像制图，ENVI在针对像元处理的信息提取中功能最强大，ER Mapper对于处理高分辨率影像效果较好，而ERDAS IMAGINE的数据融合效果最好。[3] ERDAS IMAGINE是美国Leica公司开发的遥感图像处理系统。它以其先进的图像处理技术，友好、灵活的用户界面和操作方式，面向广阔应用领域的产品模块，服务于不同层次用户的模型开发工具以及高度的RS/GIS（遥感图像处理和地理信息系统）集成功能，为遥感及相关应用领域的用户提供了内容丰富而功能强大的图像处理工具。 2012年5月1日，鹰图发布最新版本的ERDAS IMAGINE，所有ERDAS 2011软件用户都可以从官方网站上下载最新版本 ERDAS IMAGINE 11.0.5. 新版本包括之前2011服务包的一些改变。相比之前的版本，新版本增加了更多ERDAS IMAGINE和GeoMedia之间的在线联接、提供了更为丰富的图像和GIS产品。用户使用一个单一的产品，就可以轻易地把两个产品结合起来构建一个更大、更清

ERDAS详细操作

目录 1. 影像阅读 2. 遥感影像分幅裁剪与拼接处理 3. 影像几何校正及正射影像制作 4. 影像增强

1. 影像阅读 1.1 设置erdas的各种默认参数 1)在ERDAS IMAGINE的主菜单栏上找到sessio n→Preferences,单击出现Preferences editor对话框。 2)通过拖动Category的滚动条，可以看到右方对应出现的各个参数，同时也可以在文本编辑处修改这些参数。 3)在Category下选择Viewer,拖动滚动条查看它的各种参数。 4)查看Category的帮助信息。点击右下方的“help”和“Category Help”，则出现以下的界面，如果有不懂的地方我们就可以通过这个帮助信息寻求答案。 1.2 显示图像 1)在ERDAS主菜单上点击图标，新建一个经典窗口，如下图： 2)在Viewer界面上点击File→Open →Raster Layer，在默认路径中打开lanier.im g。

3)点击Raster Options栏设置图层的红绿蓝三个波段的分配。将原来的4 3 2 改 为4 5 3后，图象的色调明显变化了。 1.3 查询像素信息 1)使用查询功能 选择Utility→Inquire Cursor出现下图中的对话框,通过左下方的四个三角形的符号来分别调整查询指针的上下左右的位置,圆圈表示使查询指针回到中心处,指针的移动,其中的 X和Y坐标的数值也会跟着作相应的变化。指针所指的像素的信息被显示在单元格里。

选择Utility→Inquire Color,选择为黄色，则查询指针的十字框的颜色由白色变为了黄色。 选择Utility→Inquire Shape,呈现的滚动条列表中选择circle.cursor， 再点击Use Cursor button, 然后点击Apply。 4)量测 通过这个工具可以实现在所在图层中的点，线，面，矩形，椭圆形的长度（周长） 和面积。

实验三 监督分类

实验三：遥感图像计算机分类---监督分类 一、实验目的与要求 掌握监督分类的方法与过程，加深对监督分类的基本原理以及过程的理解。 二、实验内容 ERDAS遥感图像监督分类：定义分类模板、进行监督分类、评价分类结果。 三、实验原理 监督分类则需要在分类前人们对遥感图像上某些抽样区中影像地物的类别属性已有了先验知识，即先建立训练区从图像中选取各类地物样本训练分类器。常用的分类方法有最小距离分类、多级切割法和最大似然法分类等。最大似然法通过求出每个像元对于各类别归属概率，把该像元分到归属概率最大的类别中去的方法。其前提是假定训练区地物的光谱特征近似服从正态分布。 训练区的选取要求：训练区所包含的样本的种类要与待分区域的类别一致，训练样本要有代表性。 四、实验步骤 1、定义分类模板 第一步：显示要进行分类的图像 第二步：打开摸板编辑器并调整显示字段 ERDAS 图标面板工具条，点击Classifier图标→Classification菜单→Signature Editor菜单项，打开Signature Editor对话框

分类模板编辑器 第三步：获取分类模板信息 (1)删除对分类意义不大的字段 Signature Editor对话框菜单条,单击View|Columns命令，打开View signature columns对话框，点击最上一个字段的Co1unmn字段下拖拉直到最后一个段,此时，所有字段都被选择上，并用黄色（缺省色）标识出来。按住shift 键的同时分别点击Red、Green、B1ue 三个字段,Red、Green、Blue三个字段将分别从选择集中被清除。点击Apply按钮，点击Close按钮。从View Signature Co1umns 对话框可以看到Red、Green、Blue 三个字段将不再显示。 (2)获取分类模板信息 应用AOI绘图工具在原始图像中获取分类模板信息。 在待分类图像视窗上选择Raster菜单项→选择Tools菜单，打开Raster工具面板 →点击Raster 工具面板的图标 →在视窗中选择一类地物，绘制一个多边形AOI。 →在Signature Editor窗口，单击Create New Signature图标，将多边形AOI 区域加载到Signature Editor分类模板属性表中。

像素级图像融合

毕业设计（论文）设计(论文)题目像素级图像融合方法 姓名：李桂楠 学号： 2 学院：机电与信息工程学院 专业：自动化 年级2011级 指导教师：孙甲冰

目录 摘要 (4) Abstract (5) 第一章绪论 (1) 1.1课题背景及来源 (1) 1.2图像融合的理论基础和研究现状 (1) 1.3图像融合的应用 (1) 1.4图像融合的分类 (1) 第二章像素级图像融合的预处理 (3) 2.1图像增强 (3) 2.2图像校正 (6) 2.3图像配准 (6) 第三章像素级图像融合的方法综述 (8) 3.1加权平均图像融合方法 (8) 3.2 HIS空间图像融合方法 (8) 3.3 主成分分析图像融合方法 (8) 3.4 伪彩色图像融合方法 (9) 第四章基于小波变换的像素级图像融合概述 (10) 4.1 小波变换的基本理论 (10) 4.2 基于小波变换的图像融合 (11) 4.3基于小波变换的图像融合性能分析 (12)

第五章像素级图像融合方法的研究总结与展望 (19) 参考文献 (20) 谢辞.................................. 错误!未定义书签。

摘要 近些年，随着科学技术的飞速发展，各种各样的图像传感器出现在人们的视野前，这种样式繁多的图像传感器在不同的成像原理和不同的工作环境下具有不同功能。而因为多传感器的不断涌现，图像融合技术也越来越多的被应用于医学、勘探、海洋资源开发、生物学科等领域。 图像融合主要有像素级、决策级和特征级三个层次，而像素级图像融合作为基础能为其他层次的融合提供更准确、全面、可依赖的图像信息。本文的主要工作是针对像素级的图像融合所展开的。 关键词 图像融合理论基础、加权平均、图像融合方法、小波变换、

ERDAS IMAGINE遥感图像处理教程.

《ERDAS IMAGINE遥感图像处理教程》根据作者多年遥感应用研究和ERDAS IMAGINE软件应用经验编著而成，系统地介绍了ERDAS IMAGINE 9.3的软件功能及遥感图像处理方法。全书分基础篇和扩展篇两部分，共25章。基础篇涵盖了视窗操作、数据转换、几何校正、图像拼接、图像增强、图像解译、图像分类、子像元分类、矢量功能、雷达图像、虚拟GIS、空间建模、命令工具、批处理工具、图像库管理、专题制图等ERDAS IMAGINE Professional级的所有功能，以及扩展模块Subpixel、Vector、OrthoRadar、VirtualGIS等；扩展篇则主要针对ERDAS IMAGINE 9.3的新增扩展模块进行介绍，包括图像大气校正（ATCOR）、图像自动配准（AutoSync）、高级图像镶嵌（MosaicPro）、数字摄影测量（LPS）、三维立体分析（Stereo Analyst）、自动地形提取（Automatic Terrain Extraction）、面向对象信息提取（Objective）、智能变化检测（DeltaCue）、智能矢量化（Easytrace）、二次开发（EML）等十个扩展模块的功能。 《ERDAS IMAGINE遥感图像处理教程》将遥感图像处理的理论和方法与ERDAS IMAGINE软件功能融为一体，可以作为ERDAS IMAGINE软件用户的使用教程，对其他从事遥感技术应用研究的科技人员和高校师生也有参考价值。 目录 基础篇 第1章概述2 1.1 遥感技术基础2

1.1.1 遥感的基本概念2 1.1.2 遥感的主要特点2 1.1.3 遥感的常用分类3 1.1.4 遥感的物理基础3 1.2 ERDAS IMAGINE软件系统6 1. 2.1 ERDAS IMAGINE概述6 1.2.2 ERDAS IMAGINE安装7 1.3 ERDAS IMAGINE图标面板11 1. 3.1 菜单命令及其功能11 1.3.2 工具图标及其功能14 1.4 ERDAS IMAGINE功能体系14 第2章视窗操作16 2.1 视窗功能概述16 2.1.1 视窗菜单功能17 2.1.2 视窗工具功能17 2.1.3 快捷菜单功能18 2.1.4 常用热键功能18 2.2 文件菜单操作19 2.2.1 图像显示操作20 2.2.2 图形显示操作22 2.3 实用菜单操作23

ERDAS影像融合操作流程

影象融合流程 影像融合在影象解译模块和雷达影象处理模块中都有，但是雷达模块中的处理效果要相对好一些，下面就两个不同模块中的融合处理流程进行分别介绍。 一、影象解译模块（Interpreter） 1）单击，在弹出的Interpreter菜单中选则Spatial Enhancement （空间增强）弹出Spatial Enhancement菜单，再选择Resolution Merge（分辨率融合）选项。 弹出对话框如下

在Resolution Merge对话框中需要设置下列参数 （1）确定高分辨率输入文件（high Resolution input file）； （2）选择影象波段； （3）确定多光谱输入文件（multispectral input file）； （4）定义输出文件； （5）选择融合方法。在分辨率变换中，erdas提供了三种融合方法Principal Component(主成分变换法)、Multipalcative(乘积变换)、Brovey transform(比值变换)。其图象分别如下： Principal Component(主成分变换法)

Multipalcative(乘积变换) Brovey transform(比值变换) （6）选择重采样方法。系统提供了两种重采样方法Nearest Neighbor（邻近像元法）、Bilinbear Interpolation（二次线形内插）和Cubic Convolution（立方卷积）。其中 以Cubic Convolution方法最为平滑。 （7）确定Output Options输出图象选项。选择Lgnore Zero Stats，可以忽略像素值为

监督分类中常用的具体分类方法

监督分类中常用的具体分类方法包括： 最小距离分类法（minimum distance classifier）：最小距离分类法是用特征空间中的距离作为像元分类依据的。最小距离分类包括最小距离判别法和最近邻域分类法。最小距离判别法要求对遥感图像中每一个类别选一个具有代表意义的统计特征量（均值），首先计算待分象元与已知类别之间的距离，然后将其归属于距离最小的一类。最近邻域分类法是上述方法在多波段遥感图像分类的推广。在多波段遥感图像分类中，每一类别具有多个统计特征量。最近邻域分类法首先计算待分象元到每一类中每一个统计特征量间的距离，这样，该象元到每一类都有几个距离值，取其中最小的一个距离作为该象元到该类别的距离，最后比较该待分象元到所有类别间的距离，将其归属于距离最小的一类。最小距离分类法原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。 多级切割分类法（multi-level slice classifier）：是根据设定在各轴上值域分割多维特征空间的分类方法。通过分割得到的多维长方体对应各分类类别。经过反复对定义的这些长方体的值域进行内外判断而完成各象元的分类。这种方法要求通过选取训练区详细了解分类类别（总体）的特征，并以较高的精度设定每个分类类别的光谱特征上限值和下限值，以便构成特征子空间。多级切割分类法要求训练区样本选择必须覆盖所有

的类型，在分类过程中，需要利用待分类像元光谱特征值与各个类别特征子空间在每一维上的值域进行内外判断，检查其落入哪个类别特征子空间中，直到完成各像元的分类。 多级分割法分类便于直观理解如何分割特征空间，以及待分类像元如何与分类类别相对应。由于分类中不需要复杂的计算，与其它监督分类方法比较，具有速度快的特点。但多级分割法要求分割面总是与各特征轴正交，如果各类别在特征空间中呈现倾斜分布，就会产生分类误差。因此运用多级分割法分类前，需要先进行主成分分析，或采用其它方法对各轴进行相互独立的正交变换，然后进行多级分割。 最大似然分类法(maximum likelihood classifier)：最大似然分类法是经常使用的监督分类方法之一，它是通过求出每个像元对于各类别归属概率（似然度）（likelihood），把该像元分到归属概率（似然度）最大的类别中去的方法。最大似然法假定训练区地物的光谱特征和自然界大部分随机现象一样，近似服从正态分布，利用训练区可求出均值、方差以及协方差等特征参数，从而可求出总体的先验概率密度函数。当总体分布不符合正态分布时，其分类可靠性将下降，这种情况下不宜采用最大似然分类法。 最大似然分类法在多类别分类时，常采用统计学方法建立起一个判别函数集，然后根据这个判别函数集计算各待分象元的归

Erdas监督分类和非监督分类

华北水利水电大学资环学院遥感数字图像处理 专业：地理信息科学 班级：2013012班 学号：201301218 姓名：杨力华 指导老师：黄会平老师

实验五丹江库水库湿地解译 一实验目的 1 熟练掌握Erdas的基本操作，包括图像裁剪、图像拼接、彩色合成、假彩色 合成、创建AOI区域、创建训练区等。 2理解监督分类和非监督分类的原理，能够运用Erdas软件操作进行监督分类 和非监督分类。 3 完成丹江口水库湿地的分类和分类后评价。 4生成丹江口湿地专题地图。 二实验内容 1 丹江口水库湿地图边界配准以及矢量化； 2丹江口水库湿地在遥感图像上的裁剪； 3.对遥感图像进行监督分类并对分类结果作出评价，并生成专题地图； 4.对遥感图像进行非监督分类并对分类结果作出评价，并生成专题地图。 三实验原理 监督分类又称训练场地法，是一种以统计识别函数为理论基础，依据典型 样本训练方法进行分类的技术，即：根据已知训练区提供的样本，通过选择特 征参数，建立判别函数对各待分类像元进行的分类。在监督分类过程中，首先 选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该 模板使计算机系统自动识别具有相同特性的像元。对模板进行评价后再对其进 行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。 监督分类一般要经过以下几个步骤：定义分类模板（Define Signatures）、评价分类模板（Evaluate Signatures）、进行监督分类（Perform Supervised Classification）、评价分类结果（Evaluate Classification）。 非监督分类运用 ISODATA（Iterative Self-Organizing Data Analysis Technique ）算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。由于人为干预较少，非监督分类过程的自动化程度较高。非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换和统计分析等。